Context Is All You Need:快手后端AI Coding的实践与思考
导读
过去数月,快手内部围绕真实需求场景,探索 Java 后端 AI Coding 落地方案。经探索,快手主站团队将真实需求的 AI 代码采纳率逐步提升至60%~90%,沉淀出面向后端的 “码图” 框架,初步摸索出人与 AI 协同的 AI Native 研发范式。本文将结合真实案例,深入分析 Java 后端 AI Coding 的难点及解决方案。
在实际项目开发中,我们曾碰到这样一个真实需求:要在某个存量后台页面中,新增一个筛选条件,同时新增若干字段用于列表展示。从需求描述来看,这属于非常典型且复杂度不高的改动。
然而,当我们真正着手拆解这个需求时,就会发现它并非表面那么简单,而是横跨了完整的服务端调用链。具体涵盖以下几个关键环节:
Controller 层负责参数的封装与校验;
Service 层进行多服务的协同查询;
DAO 层执行列表查询以及总数统计;
VO / Helper 层完成数据的组装与结构映射;
DB 层则要进行字段评估与结构调整。
1、把业务需求直接“扔给 AI”会发生什么?
在没有任何额外上下文和缺少工具辅助的情况下,我们尝试直接将需求描述交给 AI,让它“帮忙改代码”。结果并不意外,且问题非常典型。
问题一:漏改——只看到函数,看不到流程
在该接口中,列表查询和总数统计是紧密关联、成对出现的逻辑,分别负责分页数据和分页总数的处理。但 AI 修改代码时,只对列表查询条件进行了调整,却遗漏了总数统计逻辑,导致前端分页信息与实际数据严重不符。这表明,AI 虽然能处理局部逻辑,但无法把握整体流程的正确性。
问题二:错改——不理解数据结构与职责边界
新增的展示字段来自多个 Service,需经 Helper 统一组装后返回。然而,AI 并不清楚哪些字段已经存在于 Service 返回中,也不了解字段应落在哪一层 VO 结构中。实际编写结果要么留下“TODO”或默认值,要么将字段错误写入顶层对象,破坏了原有的数据结构。由此可见,AI 虽能“写代码”,却并不真正“理解代码在系统中的位置”。
在行业内,前端 AI Coding 领先于后端已成为普遍共识。那么,为何后端 AI Coding(尤其是 Java 端)的推进速度相对迟缓呢?在不断探索的过程中,我们逐渐认识到:AI Coding 理解前端工程,如同“搭积木”般直观;而面对后端工程,则仿佛置身于“走迷宫”的困境。如何让 AI 顺利穿越这座“迷宫”,正是后端 AI Coding 需要攻克的核心难题。
2.1 PRD并不是后端可以直接执行的“工程语言”
从 PRD 出发,研发人员通常能够凭借经验自然地完成一系列“脑补”工作:明确哪些改动属于后端范畴、确定请求入口位置、判断是否涉及数据库操作、评估是否需要联动其他模块,以及查找系统中是否已存在相似逻辑等。
然而,这些对人类而言是再平常不过的常识,对 AI来说却如同信息断层。PRD 往往只会简单表述“前端/UI 需要改动,后端接口也要扩展字段”,却不会进一步说明:后端的开发边界究竟在哪里;改动是发生在 Controller 层、定时任务,还是 RPC 入口;字段是来源于 DB、下游服务,还是历史数据;改动是否会对缓存、索引或异步链路产生影响。
2.2 后端真正的复杂度,几乎全部藏在 PRD 之外
更为关键的是,后端的复杂度并非体现在接口签名上,而是隐藏在流程和隐式约束之中。以一次“提交操作”为例,在真实的后端系统里,其背后往往涉及一系列复杂逻辑:(1)Service 内部的同步 RPC 调用;(2)本地事务控制与回滚逻辑;(3)数据库写入与 binlog 产生;(4)异步链路触发(如 Kafka、ES、缓存刷新);(5)跨模块的数据一致性与最终状态收敛。
这些逻辑才是后端工程的“主体结构”,但 PRD 既不会也无法对这些流程进行详细描述。这就导致 AI 虽然能够看到“要改接口”,却无法预见一次改动会在系统中引发多少连锁反应。
第一阶段,致力于解决 AI 能否看到系统全貌(Context)的问题; 第二阶段,则聚焦于即便 AI 能看到系统全貌,能否实现稳定控制(Control)的挑战。
3.1 第一阶段:解决上下文问题
在前文的案例中,我们遇到的问题:AI 能修改局部代码,却无法理解它在系统中的位置。这并不是模型“不聪明”,而是因为它缺乏像人一样的系统视角。而这种视角,在后端工程中,来自于对三件事的理解:
1. 代码是如何分层的;
2. 各类代码元素之间是如何关联的;
3. 一次需求,会沿着怎样的调用与数据路径传…